汽车车牌的检测与识别是智慧交通系统中的重要组成部分。基于传统方法的车牌检测与识别主要存在着模型泛化能力较弱和识别准确率较低等问题。得益于计算机算力的发展,基于深度学习的车牌检测与识别算法得到了广泛应用。然而深度学习最大的问题在于严重依赖训练样本,数据集样本数量过少或实际应用时环境多变等往往会导致深度神经网络的准确率严重下降,即小样本问题。目前国内公开的车牌数据集中某些类型的车牌（如,新能源汽车车牌）严重缺乏,基于深度学习的方法对其检测与识别效果较差。为解决此问题,本文针对车牌数据集中的小样本问题进行了如下研究:（1）提出了基于生成对抗网络的车牌生成模型,用于对车牌数据集中的稀缺样本进行扩充。该模型主要由生成网络与鉴别网络组成,生成网络通过对训练集样本的分布进行模拟,从而生成与真实样本十分相似的合成样本。鉴别网络则需要鉴别输入样本图像真实性。通过对抗训练促使生成网络的拟合分布越来越接近真实样本分布同时提升鉴别网络的准确率,当鉴别网络准确率稳定在0.5左右时模型达到收敛,此时合成样本的分布与真实样本的分布一致。本文通过训练所提出车牌生成模型,得到了合成车牌样本,对车牌数据集中的稀缺样本进行有效扩充。（2）提出了一种定量评估合成样本有效性的方法。提取真实样本图像模板与合成样本图像模板,将所得到的图像模板灰度化并分别计算灰度直方图。通过计算二者灰度直方图相似度来衡量合成样本分布与真实样本分布的相似程度。经计算,本文中合成样本与真实样本之间巴氏系数达0.851,余弦相似度达0.9123,远高于真实图像被不同程度处理前后的结果,证明本文提出的车牌生成模型得到的合成样本是有效的。（3）设计了基于小样本的车牌检测与识别级联框架,实现了对车牌端到端的检测与识别。该级联框架通过将车牌检测模型、所提出的车牌生成模型与车牌识别模型级联,实现了整套针对车牌小样本问题的解决方案。其中,车牌检测模型基于One-stage算法搭建,实现了快速高效的车牌检测。车牌识别模型采用不基于字符分割的思想,引入CTC损失函数,实现对不定长车牌的识别。通过级联框架中车牌生成模型对稀缺样本的扩充,使得级联框架对新能源汽车车牌的识别准确率提升了22.6%,对蓝色车牌整体识别准确率提升1.1%。